3 raisons courantes d'échec des projets d'analyse et d'IA

3 raisons courantes d'échec des projets d'analyse et d'IA

Horodatage: 16 août 2023 9:32
3 raisons courantes d'échec des projets d'analyse et d'IA PlatoBlockchain Data Intelligence. Recherche verticale. Aï.

Advertorial Selon le 2023 InfoBrief IDC parrainé par Dataiku - Créez plus de valeur commerciale à partir de vos données organisationnelles - "Bien que l'adoption [de l'IA] se développe rapidement, les taux d'échec des projets restent élevés. Les organisations du monde entier doivent évaluer leur vision pour s'attaquer aux obstacles au succès, libérer la puissance de l'IA et prospérer à l'ère numérique.

L'un des points les plus importants à retenir lorsqu'il s'agit de surmonter l'échec des projets d'analyse et d'IA est qu'il n'y a jamais qu'un seul récidiviste - il existe différents points d'échec des projets d'IA dans les équipes commerciales et techniques. Le microsite interactif ci-dessus affiche visuellement les points de défaillance les plus courants tout au long du cycle de vie du projet d'IA et partage des solutions sur la façon dont les responsables des données, de l'analyse et de l'informatique peuvent les résoudre rapidement avec Dataiku.

De l'autre côté de la médaille, cet article abordera certaines des raisons les plus courantes qui alimentent l'échec des projets d'IA (et des conseils pour les naviguer).

Le manque de talents en IA (les gens !)

Deux des principaux obstacles à la mise à l'échelle de l'IA sont l'embauche de personnes ayant des compétences en analyse et en IA et l'identification de bonnes analyses de rentabilisation. Malheureusement, embaucher des centaines ou des milliers de scientifiques des données n'est pas réaliste pour la plupart des organisations et les personnes qui peuvent résoudre les deux problèmes (ceux qui ont des compétences en IA et en affaires) sont souvent si rares qu'on les appelle des licornes. 

Pour réellement résoudre ces deux problèmes à la fois, les organisations doivent donc "construire des équipes de licornes, pas embaucher des licornes." Cela signifie qu'ils doivent constituer des équipes composées à la fois d'experts des données et du domaine, tout en visant à faire évoluer leur modèle de fonctionnement de l'IA (ce qui augmentera simultanément leur maturité en IA) au fil du temps. Cela fonctionne : 85 % des entreprises qui ont réussi à faire évoluer l'IA utilisent des équipes de développement interdisciplinaires, selon la Harvard Business Review.

Conseil d'IDC : « Tenez compte du rôle des spécialistes des données, des travailleurs du savoir et de l'expertise de l'industrie. L'autonomisation des travailleurs du savoir accélérera le délai de valorisation. »

Manque de gouvernance et de surveillance de l'IA (processus !)

Ce que l'équipe ne peut pas se permettre dans ce climat macro-économique, c'est que les budgets de l'IA soient réduits ou entièrement supprimés. Qu'est-ce qui conduirait à ce qui se passe, vous pourriez demander? Temps perdu à construire et à tester des modèles d'apprentissage automatique, à tel point qu'ils n'entrent jamais en production pour commencer à générer une valeur réelle et tangible pour l'entreprise (comme l'argent gagné, l'argent économisé ou un nouveau processus établi qui ne pourrait pas être fait aujourd'hui ).

La bonne nouvelle : il existe des stratégies et des meilleures pratiques d'analyse et les équipes d'IA peuvent mettre en œuvre pour rationaliser et faire évoluer en toute sécurité leurs efforts d'IA, telles que établir une stratégie de gouvernance de l'IA (incluant des éléments opérationnels comme les MLOps et des éléments basés sur la valeur comme l'IA responsable).

La mauvaise nouvelle : souvent, les équipes n'ont pas ces processus configurés avant le déploiement (ce qui peut entraîner de nombreux problèmes aggravants) et n'ont aucun moyen d'avancer clairement avec les bons projets qui génèrent de la valeur commerciale et se déprécient. les moins performants.

AI Governance offre une gestion de modèle de bout en bout à grande échelle, en mettant l'accent sur la fourniture de valeur ajustée aux risques et l'efficacité de la mise à l'échelle de l'IA, le tout conformément aux réglementations. Les équipes doivent faire la distinction entre les preuves de concepts (POC), les initiatives de données en libre-service et les produits de données industrialisés, ainsi que les besoins de gouvernance qui les entourent. Il faut donner de l'espace à l'exploration et à l'expérimentation, mais les équipes doivent également prendre des décisions claires sur le moment où les projets en libre-service ou POC doivent bénéficier du financement, des tests et de l'assurance pour devenir une solution industrialisée et opérationnalisée.

Conseil d'IDC : « Établissez des politiques claires en matière de confidentialité des données, de droits de décision, de responsabilité et de transparence. Disposer d'une gestion et d'une gouvernance des risques proactives et continues réalisées conjointement par l'informatique et les responsables des affaires et de la conformité. » 

Ne pas adopter un état d'esprit de plate-forme (technologie !)

Comment les équipes peuvent-elles identifier les bonnes technologies et processus pour permettre l'utilisation de l'IA à grande échelle ?

Une plate-forme de bout en bout (comme Dataiku) apporte une cohésion entre les étapes du cycle de vie des projets d'analyse et d'IA et offre une apparence, une convivialité et une approche cohérentes au fur et à mesure que les équipes franchissent ces étapes. 

Lors de l'élaboration d'une stratégie de plate-forme d'IA moderne, il est important de prendre en compte la valeur d'une plate-forme tout-en-un pour tout, de la préparation des données à la surveillance des modèles d'apprentissage automatique en production. L'achat d'outils séparés pour chaque composant, à l'inverse, peut être extrêmement difficile car il existe plusieurs pièces du puzzle dans différents domaines du cycle de vie (illustré ci-dessous).

Pour passer à l'étape de la transformation culturelle à long terme via un programme d'IA, il est important de s'assurer que l'informatique est impliquée dès le début. Les responsables informatiques sont essentiels pour un déploiement efficace et fluide de toute technologie et, d'un point de vue plus philosophique, sont essentiels pour inculquer une culture d'accès aux données équilibrée avec une gouvernance et un contrôle appropriés.

Conseil d'IDC : "Au lieu de mettre en œuvre des solutions distinctes pour gérer de petites tâches, adoptez l'approche de la plate-forme pour prendre en charge des expériences cohérentes et la standardisation. 

Pour l'avenir

La mise à l'échelle des efforts d'analyse et d'IA prend beaucoup de temps et de ressources, donc la dernière chose que vous voulez faire est d'échouer. Dans le même temps, cependant, un peu d'échec sain pendant l'expérimentation est précieux, tant que les équipes peuvent échouer rapidement et mettre en œuvre leurs apprentissages. Ils doivent s'assurer de se concentrer sur le perfectionnement et la formation (c'est-à-dire impliquer de plus en plus les professionnels), de démocratiser les outils et les technologies d'IA et de mettre en place les bons garde-fous pour garantir des déploiements d'IA responsables.

Aller plus loin dans la résolution des échecs des projets d'IA

Dans ce visuel interactif, découvrez les principales raisons techniques de l'échec d'un projet d'IA ainsi que des ressources supplémentaires pour des raisons commerciales alimentant l'échec d'un projet (et comment Dataiku peut vous aider en cours de route pour les deux).

Pourquoi vos projets d'IA échouent-ils ? Explorer ce microsite interactif pour en savoir plus.

Sponsorisé par Dataiku.

Horodatage:

Plus de Le registre